本文示例代码及附件已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes

1 简介

下面的这幅图可能很多读者朋友们都看到过，这是英国摇滚乐队「Joy Division」在1979年发行的其第一张录音室专辑「Unknown Pleasures」的封面，由艺术家「Peter Saville」基于射电脉冲星信号的数据图创作而成，成为了一种流行文化的符号标志。

图1

类似图1的风格，在地图制作中也存在着一种「山脊地图」，基于记录地表海拔信息的「高程数据」，我们可以利用水平方向上的基于实际位置海拔高度的曲线，来对某块区域的地形进行更具艺术性的表达。

图2

而今天的文章，我们就来一起基于Python，配合颜色与字体的选择搭配，使用简短的代码，就可以创作出艺术海报级别的「山脊地图」。

2 基于ridge_map的山脊地图绘制

我们主要使用matplotlib与ridge_map来完成一幅山脊图的创作，使用pip install ridge_map完成对ridge_map的安装之后，我们先一个非常简单的例子开始：

from ridge_map import RidgeMap
import matplotlib.font_manager as fm
import matplotlib.pyplot as plt# 从本地的字体文件中注册字体
font_prop = fm.FontProperties(fname="fonts/UncialAntiqua-Regular.ttf")# 基于传入的区域左下角、右上角经纬度
# 来获取原始高程数据并绘制成山脊地图
# 如果你有“特殊的上网技巧”，这一步等待时间会很短
(RidgeMap(bbox=(-156.250305,18.890695,-154.714966,20.275080),font=font_prop).plot_map(label="Hawai'i")
)plt.savefig('图3.png')

图3

这就是ridge_map绘制山脊地图的基本模式，利用matplotlib.font_manager注册要使用的字体，再将绘图区域bbox信息与字体属性传入RidgeMap()之后调用plot_map()方法即可进行绘制。

但如果你想要制作出像下面这种更多定制内容的山脊地图，就需要了解多一些知识：

图4

下面我们分部分来展开介绍：

2.1 数据准备

我们统一使用RidgeMap接受bbox参数确定区域范围，格式为(左下角经度, 左下角纬度, 右上角经度, 右上角纬度)，其基于的高程数据来自「NASA」的SRTM数据集，分辨率为1弧秒（约30米），适用于北纬60°到南纬60°之间的区域。

ridge_map中数据准备的完整过程如下，其中get_elevation_data方法的num_lines参数用于控制返回数据对应的水平线数量，越大约细密，默认为80；viewpoint参数用于确定指南针所指的方向，默认为south：

# 初始化
rm = RidgeMap(bbox=(-156.250305,18.890695,-154.714966,20.275080),font=font_prop)# 在线获取高程数据
values = rm.get_elevation_data(num_lines=200, viewpoint='north')

而获取到的values实际上是范围内各条水平线海拔变化情况的二维numpy数组：

图5

2.2 数据加工

在第一步获取到的数据的基础上，我们可以利用RidgeMap的preprocess方法来进行加工，从而实现一些诸如改变高度映射比例、低洼地区筛选的功能，其主要参数如下：

❝

「values」：传入上一步获取到的二维数组数据

「water_ntile」：浮点数，范围应在0到100之间，作为数据删除的阈值，即高度低于总体**water_ntile%**分位数的数据会被视作水体，从而在图像中不显示

「vertical_ratio」：用于设置原始高度值在绘图中被扩大的倍数，越大越夸张

❞

values = rm.preprocess(values=values,water_ntile=10,vertical_ratio=240)rm.plot_map(values, label="Hawai'i")plt.savefig('图6.png')

图6

2.3 绘制图像

做完上述数据加工之后，我们就可以调用plot_map()方法来进行山脊图的绘制，其主要参数如下：

❝

「values」：传入之前处理好的values

「label」：用于设置图像上叠加的文字标签内容

「label_x」：0-1之间的浮点数，用于确立文字标签左下角相对于绘图区域的比例x坐标

「label_y」：类似「label_x」，调整y坐标

「label_verticalalignment」：调整文字标签在竖直方向上的对齐方式，默认为'bottom'

「label_size」：控制文字标签字体大小，默认为40

「line_color」：设置线条的色彩，默认为'black'，当传入matplotlib中的colormap对象时即开启了色彩映射模式

「kind」：设置色彩映射策略，'gradient'表示与高度无关，在画幅竖直方向上进行色彩渐变，'elevation'则将色彩映射与高度相绑定

「linewidth」：设置线条粗细，默认为2

「background_color」：设置图像背景色

❞

其他参数都非常简单易懂，这里来重点展示不同kind参数下结果的不同：

• 「kind='gradient'」

rm.plot_map(values, label="Hawai'i", kind='gradient', line_color=plt.get_cmap('Reds'))

图7

可以看到在gradient模式下，整幅图像上的线条色彩从上向下按照colormap进行渐变。

• 「kind='elevation'」

rm.plot_map(values, label="Hawai'i", kind='elevation', line_color=plt.get_cmap('Reds'))plt.savefig('图8.png')

图8

可以看到这时我们的线条色彩基于的是高度信息。

2.4 结合matplotlib

因为ridge_map基于的是matplotlib，所以我们可以类似geopandas绘图那样，在调用plot_map时向ax参数传入已经存在的Axes对象，从而结合不同类型的图像，就像下面这个简单的例子一样：

图9

在get到ridge_map的有趣用法之后，我们就可以对合法范围内任意一个地方进行绘制，譬如下面我们绘制的重庆市中心城区的部分范围：

font_prop = fm.FontProperties(fname="fonts/LongCang-Regular.ttf")rm = RidgeMap(bbox=(106.360758,29.385385,106.74734,29.676339),font=font_prop)values = rm.get_elevation_data(num_lines=250, viewpoint='south')
values = rm.preprocess(values=values,water_ntile=5,vertical_ratio=90)rm.plot_map(values, label="", kind='elevation', line_color=plt.get_cmap('plasma'),label_size=100)plt.savefig('图10.png')

图10

以上就是本文的全部内容，你可以尽情发挥创作出具有创意的山脊地图。欢迎在评论区与我进行讨论~

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑
获取本站知识星球优惠券，复制链接直接打开：
https://t.zsxq.com/y7uvZF6
本站qq群704220115。加入微信群请扫码：